Clustering adalah metode untuk mengklasifikasikan data dengan mudah yang memiliki tujuan untuk
melihat korelasi antara atribut data. Clustering juga merupakan proses pengelompokan titik data
berdasarkan nilai kesamaan (similarity) untuk menentukan pusat cluster. Affinity Propagation (AP)
dan Adaptive Affinity Propagation (Adaptive AP) adalah algoritma clustering yang menghasilkan
jumlah cluster, anggota cluster, dan exemplar dari setiap cluster. Penelitian ini dibuat untuk
mengetahui algoritma yang lebih efektif dalam mengelompokan data. Selain itu untuk mengetahui
perbaikan yang ditawarkan Algoritma Adaptive AP yang merupakan pengembangan dari Algoritma
AP. Peneliti melakukan implementasi dan pengujian kedua algoritma dengan Matlab R2013a 8.10
menggunakan data mahasiswa berdasarkan nilai IPK (Indeks Prestasi Komulatif) dan jarak rumah
mahasiswa ke kampus sebanyak 250 data. Hasil pengujian aplikasi dianalisa cara kerja kedua
algoritma dan menemukan algoritma terbaik dalam mengelompokan data secara optimal adalah
Adaptive AP. Hasil lainnya adalah tidak ada korelasi antara IPK dan jarak rumah mahasiswa ke
kampus.